DE102013210713A1 - Videobasierte Schätzung der Herzratenvariabilität - Google Patents

Videobasierte Schätzung der Herzratenvariabilität Download PDF

Info

Publication number
DE102013210713A1
DE102013210713A1 DE102013210713.7A DE102013210713A DE102013210713A1 DE 102013210713 A1 DE102013210713 A1 DE 102013210713A1 DE 102013210713 A DE102013210713 A DE 102013210713A DE 102013210713 A1 DE102013210713 A1 DE 102013210713A1
Authority
DE
Germany
Prior art keywords
subject
video
area
signal
video camera
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
DE102013210713.7A
Other languages
English (en)
Inventor
Lalit Keshav MESTHA
Survi KYAL
Beilei Xu
Himanshu J. MADHU
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xerox Corp
Original Assignee
Xerox Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xerox Corp filed Critical Xerox Corp
Publication of DE102013210713A1 publication Critical patent/DE102013210713A1/de
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/02Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024Detecting, measuring or recording pulse rate or heart rate
    • A61B5/02405Determining heart rate variability
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/02Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024Detecting, measuring or recording pulse rate or heart rate
    • A61B5/02416Detecting, measuring or recording pulse rate or heart rate using photoplethysmograph signals, e.g. generated by infrared radiation
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/72Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235Details of waveform analysis
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2576/00Medical imaging apparatus involving image processing or analysis
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/0002Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A61B5/0004Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by the type of physiological signal transmitted
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00ICT specially adapted for the handling or processing of medical images
    • G16H30/40ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Cardiology (AREA)
  • Engineering & Computer Science (AREA)
  • Surgery (AREA)
  • Medical Informatics (AREA)
  • Veterinary Medicine (AREA)
  • Physics & Mathematics (AREA)
  • Physiology (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Public Health (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

Offenbart wird ein videobasiertes System und Verfahren zum Schätzen der Herzratenvariabilität aus Zeitreihensignalen, die aus Videobildern generiert werden, die von einem interessierenden Probanden aufgenommen werden, der auf seine Herzfunktion überwacht wird. Wie hier vollständig offenbart wird, werden niederfrequente und hochfrequente Komponenten aus einem Zeitreihensignal entnommen, das durch Verarbeiten eines Videos des überwachten Probanden erzielt wird. Ein Verhältnis der Niederfrequenz und der Hochfrequenz des integrierten Leistungsspektrums in diesen Komponenten wird berechnet. Die Analyse der Dynamik dieses Verhältnisses im Verlauf der Zeit wird verwendet, um die Herzratenvariabilität zu schätzen. Die vorliegenden Lehren können in einem ständigen Überwachungsmodus mit einem relativ hohen Grad an Messgenauigkeit verwendet werden, und sind bei vielen verschiedenen diversen Anwendungen von Nutzen, wie beispielsweise in Notfallaufnahmen, Herzintensivstationen, neonatalen Intensivstationen und bei diversen Anwendungen in der Telemedizin.

Description

  • Die vorliegende Erfindung betrifft Systeme und Verfahren zum Schätzen der Herzratenvariabilität aus einem Video, das von einem Patienten aufgenommen wird, der auf seine Herzfunktion überwacht wird.
  • Das autonome Nervensystem (ANS) wird durch das sympathische und das parasympathische Nervensystem (SNS und PSNS) dargestellt. Diese Funktionen stehen in Widerspruch zueinander. Das sympathetische System funktioniert typischerweise, um sofortige Maßnahmen einzuleiten, die eine schnelle physische Reaktion erfordern, wie etwa um die Hand schnell von einer heißen Flamme zurückzuziehen. Dagegen ist das parasympathische System mit Maßnahmen verknüpft, die keine sofortige Reaktion erfordern. Die Herzratenvariabilität (HRV) ist eine bewährte quantitative Markierung, um ein schnelles vordergründiges Abbild des Zustands des ANS zu erzielen. Die Herzratenvariabilität ist die zeitliche Variation des Herzschlags von Schlag zu Schlag und wird hauptsächlich durch das ANS anhand von Änderungen des Gleichgewichts zwischen parasympathischen und sympathischen Einflüssen moduliert. Die Herzrate passt sich automatisch an als Reaktion auf Stress, Atmung, metabolische Änderungen, Thermoregulierung, körperliche Anstrengung, endokrine Zyklen und dergleichen an. Die HRV ist auch für die Diagnose diverser Krankheiten und Gesundheitszustände nützlich, wie etwa diabetische Neuropathie, Herz-Kreislauf-Krankheiten, Herzmuskelinfarkt, Ermüdung, Schlafstörungen und so weiter.
  • Auf diesem Gebiet wurden Systeme bekannt, um die HRV zu schätzen. Beispielsweise kann man die HRV schätzen, indem man die elektrische Aktivität des Herzens beispielsweise unter Verwendung einer kontaktbasierten Elektrokardiogramm-Vorrichtung (ECG) überwacht, wobei HRV-Signale erzeugt werden, indem die Intervalle zwischen den R-Wellen aus dem ECG entnommen werden. Auf Grund der komplexen Morphologie der ECG-Signale kann das Lokalisieren der R-Wellen und ihrer Spitzen, um die Zeitintervalle zwischen den Spitzen (RR-Intervall) zu finden, zu einem fehlerhaften HRV-Ergebnis führen. Ektope Herzschläge, arrhythmische Vorfälle, fehlende Daten, Umgebungsrauschen und dergleichen können ebenfalls zu ungenauen HRV-Messungen beitragen. Im Vergleich zu kontaktbasierten ECG-Verfahren verleihen kontaktlose Verfahren dem Arzt die zusätzliche Flexibilität, auf verschiedene Bereiche des Körpers zugreifen zu können, an denen es schwierig sein kann, Signale unter Verwendung von Drähten und Sonden zu erreichen. Zudem können die Signale, die über kontaktlose Verfahren erzielt werden, verbessert werden, indem sie im Vergleich zu kontaktbasierten ECG-Systemen über einen größeren interessierenden Bereich integriert werden, da ein ECG nur Signale bereitstellt, die sich in relativ kleinen Bereichen befinden, wo die Sensoren angebracht wurden. Unauffällige, kontaktlose Verfahren, um HRV-Messungen von einem ruhenden Herzpatienten zu erzielen, sind auf diesem Gebiet wünschenswert.
  • Offenbart werden ein videobasiertes System und Verfahren zum Schätzen der Herzratenvariabilität aus Zeitreihensignalen, die aus Videobildern generiert werden, die von einem interessierenden Probanden aufgenommen werden, der auf seine Herzfunktion überwacht wird. Wie es hier vollständig offenbart wird, werden niederfrequente und hochfrequente Komponenten aus einem Zeitreihensignal entnommen, das durch die Verarbeitung eines Videos des überwachten Probanden erzielt wird. Es wird ein Verhältnis der Nieder- und Hochfrequenz des integrierten Leistungsspektrums innerhalb dieser Komponenten berechnet. Die Analyse dieses Verhältnisses im Verlauf der Zeit stellt die geschätzte Herzratenvariabilität bereit. Die vorliegenden Lehren können in einem ständigen Überwachungsmodus mit einem relativ hohen Grad an Messgenauigkeit verwendet werden und werden vorteilhaft in diversen Umgebungen verwendet, wie beispielsweise in Notaufnahmen, kardiologischen Intensivstationen, neonatalen Intensivstationen, einschließlich bei diversen telemedizinischen Anwendungen.
  • Es zeigen:
  • 1 eine Tabelle, welche die spektralen Komponenten von diversen HR-Signalen zu Erläuterungszwecken zusammenfasst.
  • 2 ein beispielhaftes Bildgebungssystem zum Aufnehmen eines Videosignals eines interessierenden Probanden.
  • 3 eine beispielhafte Ausführungsform des vorliegenden Verfahrens zum Schätzen der Herzratenvariabilität aus einem Video, das von einem interessierenden Probanden aufgenommen wird.
  • 4 die HRV-Bewertung unter Verwendung des hier offenbarten Verfahrens, wobei (4A) das Leistungsspektrum zeigt, das eine vorherrschende LF, d.h. einen sowohl sympathischen und als auch parasympathischen Einfluss, zeigt, und wobei (4B) das Leistungsspektrum zeigt, das eine vorherrschende HF, d.h. einen parasympathischen Einfluss, zeigt.
  • 5 die ständige Überwachung von HR, RR und HRV oder LF/HF für sowohl sympathische (5A) als auch parasympathische (5B) Fälle für denselben Probanden über ein Zeitintervall von drei Minuten.
  • 6A ein Leistungsspektrum für drei aufeinanderfolgende Serien, die eine HR-, RR- und HRV-Bewertung eines Kleinkindes unter Verwendung der vorliegenden Lehren zeigen.
  • 6B die Grundlinie, die mit einem FDA-zugelassenen Gesundheitsüberwachungssystem von Philips zu dem Zeitpunkt aufgezeichnet wurde, als das Video von dem Kleinkind aufgenommen wurde.
  • 7 ein Blockdiagramm eines beispielhaften Videobildverarbeitungssystems zum Ausführen diverser Aspekte des vorliegenden Verfahrens, wie sie mit Bezug auf das Ablaufschema von 3 gezeigt und beschrieben werden.
  • Ein „Video” ist eine zeitvariable Sequenz von Bildern, die von einem interessierenden Probanden unter Verwendung einer Videokamera aufgenommen werden, die in der Lage ist, ein Videosignal über mindestens einen Datenerfassungs-(Bildgebungs-)Kanal zu erfassen. Das Video kann auch andere Komponenten enthalten, wie etwa Audiomaterial, Zeitreferenzsignale, Rauschen und dergleichen.
  • Der Begriff „interessierender Proband” bezieht sich auf einen Menschen, der eine Herzfunktion aufweist, für die Messungen der Herzratenvariabilität in Übereinstimmung mit den vorliegenden Lehren bestimmt werden sollen. Obwohl der Begriff „Mensch”, „Person” oder „Patient” überall in diesem Text verwendet werden kann, versteht es sich, dass der interessierende Proband etwas anderes als ein Mensch sein kann, wie beispielsweise ein Tier. Die Verwendung des Begriffs „Person” oder „Patient” ist nicht als die beiliegenden Ansprüche allein auf Menschen einschränkend anzusehen.
  • Ein „Bereich bloßer Haut” ist eine freie Fläche der Haut des Probanden, an der ein PPG-Signal des Probanden aufgezeichnet werden kann. Solche Bereiche können in Einzelbildern eines Videos beispielsweise unter Verwendung von Objektidentifizierung, Pixelklassifizierung, Materialanalyse, Strukturidentifizierung und Mustererkennung identifiziert werden.
  • Der Begriff „Zeitreihensignal” bezieht sich auf ein zeitvariables Signal, das aus Bildern des aufgenommenen Videos generiert wird. Zeitreihensignale können in Echtzeit aus einem fortlaufenden Video generiert werden, wie bei einer ständigen Patientenüberwachung. Das Zeitreihensignal kann direkt aus dem Datenerfassungskanal der Videokamera erzielt werden, die verwendet wird, um das Video des interessierenden Probanden aufzunehmen. Das Zeitreihensignal kann von einer entfernt aufgestellten Vorrichtung, wie etwa einer Computer-Arbeitsstation, über ein drahtgebundenes oder drahtloses Netzwerk abgerufen werden oder kann ständig aus einem Video-Stream erzielt werden.
  • Eine „Videokamera” ist eine Vorrichtung zum Erfassen eines Videos. Bei einer Ausführungsform umfasst die Videokamera eine Farbvideokamera mit mindestens einem Bildgebungskanal zum Aufnehmen von Farbwerten für Pixel, die im Allgemeinen den sichtbaren Primärfarben (typischerweise RGB) entsprechen. Bei einer anderen Ausführungsform ist die Videokamera eine Infrarotkamera mit mindestens einem Bildgebungskanal zum Messen von Pixelintensitätswerten im NIR-Wellenlängenbereich. Bei einer anderen Ausführungsform ist die Videokamera eine hybride Vorrichtung, die in der Lage ist, sowohl farbige als auch NIR-Videobilder aufzunehmen.
  • Bei einer Ausführungsform ist ein „Videoanalysemodul” eine Hardware-Vorrichtung mit mindestens einem Prozessor, der maschinenlesbare Programmanweisungen ausführt, um Videobilder derart zu analysieren, dass die Herzratenvariabilität des Probanden bestimmt werden kann. Ein derartiges Modul kann insgesamt oder teilweise eine Software-Anwendung umfassen, die alleine oder zusammen mit einer oder mehreren Hardware-Ressourcen funktioniert. Derartige Software-Anwendungen können von Prozessoren auf verschiedenen Hardware-Plattformen ausgeführt werden oder können in einer virtuellen Umgebung emuliert werden. Gewisse Aspekte des Videoanalysemoduls können handelsübliche Software nutzen.
  • Der Begriff „Herzfunktion” bezieht sich auf die Funktion des Herzens und im weiteren Sinne auf das Herz-Kreislauf-System. Bei den meisten Spezies umfasst das Herz einen Muskel, der sich wiederholt zusammenzieht, um Blut durch das vaskuläre Netz zu pumpen. Die Herzfunktion kann durch diverse Faktoren beeinträchtigt werden, einschließlich Alter, Stress, Krankheit, gesamter Gesundheitszustand und dergleichen. Die Herzfunktion kann auch durch Umgebungsbedingungen, wie etwa Höhe und Druck, beeinflusst werden.
  • Der Begriff „Herzpuls” bezieht sich auf eine Druckwelle, die vom Herzen des Probanden generiert wird (in der Systole), während das Herz ein Blutvolumen in den Arteriengang pumpt. Die arterielle Bewegung als Reaktion auf diese Druckwelle kann durch Berührungs- und elektronische Verfahren abgefühlt werden. Ein Frequenzbereich des Herzpulses ist die Pulsfrequenz, die im Verlauf der Zeit gemessen wird und typischerweise in Schlägen pro Minute (bpm) aufgezeichnet wird. Der Frequenzbereich des menschlichen Herzpulses liegt zwischen ungefähr 50 bpm und 240 bmp. Ein Erwachsener im Ruhezustand hat eine Herzfrequenz von etwa 72 bpm. Jede Spezies hat ihren eigenen Herzpulsfrequenzbereich und somit ihre eigene „normale” Herzfrequenz. Die Herzfrequenz ist proportional zur Herzleistung, d.h. dem Blutvolumen, welches das Herz pumpen kann, ausgedrückt in L/min (~ 5 L/min bei einem erwachsenen Menschen). Zu den Verfahren, die verwendet werden, um Herzschläge zu erkennen, gehören: ECG, Blutdruck und das Pulswellensignal, das aus einem photoplethysmographischen (PPG) Signal abgeleitet wird. Das ECG wird weitgehend verwendet, weil es eine deutliche Wellenform bereitstellt, die es leichter macht, Herzschläge auszuschließen, die nicht aus dem Sinusknoten stammen.
  • Der Begriff „Herzratenvariabilität” (HRV) die Variation des Zeitintervalls zwischen den Herzschlägen. Die Variation des Intervalls von Herzschlag zu Herzschlag ist ein physiologisches Phänomen. Der SA-Knoten empfängt mehrere verschiedene Eingaben und die augenblickliche Herzrate oder das RR-Intervall und seine Variation sind die Ergebnisse dieser Eingaben. Die Haupteingaben sind das sympathische Nervensystem (SNS) und das parasympathische Nervensystem (PSNS) sowie humorale Faktoren. Die Atmung führt zu Wellen in der Herzrate, die hauptsächlich über das PSNS vermittelt werden. Faktoren, welche die Eingabe beeinflussen, umfassen den Baroreflex, die Thermoregulierung, Hormone, den Schlaf-Wach-Rhythmus, Mahlzeiten, körperliche Aktivität und Stress. Eine verringerte PSNS-Aktivität oder eine erhöhte SNS-Aktivität führen zu einer reduzierten HRV. Die HRV ist auch unter anderen Begriffen bekannt, wie etwa: Herzperioden-Variabilität, Zykluslängen-Variabilität und RR-Variabilität, wobei R ein Punkt ist, welcher der Spitze des QRS-Komplexes der ECG-Welle entspricht, und RR das Intervall zwischen aufeinanderfolgenden Rs ist. Die Spektralanalyse von R-Wellen, d.h. das RR-Intervall einer 2 bis 5 Minuten langen ECG-Aufzeichnung, enthält die folgenden Komponenten: (1) eine sehr niederfrequente (VLF) Komponente in einem Frequenzbereich, der ≤ 0,04 Hz beträgt; (2) eine niederfrequente (LF) Komponente, die zwischen 0,04 und 0,15 Hz liegt; und (3) eine hochfrequente (HF) Komponente, die zwischen 0,15 und 0,40 Hz liegt. Es gibt auch eine ultraniederfrequente (ULF) Komponente, die mit Tages- und Nachtdifferenzen auf Frequenzen < 0,003 Hz verknüpft ist, die typischerweise zu beobachten sind, wenn die Signale über eine Periode von 18 Stunden oder mehr aufgenommen werden. Die physiologische Erklärung der VLF-Komponente ist weniger definiert und wird daher bei einer HRV-Analyse nicht berücksichtigt. Die Tabelle aus 1 fasst die spektralen Komponenten der HR-Signale zusammen.
  • Ein „photoplethysmographisches Signal”, bzw. einfach ein PPG-Signal, ist ein Signal, das mit der Herzpuls-Druckwelle des Probanden korreliert. Bei einer Ausführungsform wird ein Bereich bloßer Haut des Probanden, in dem solche Druckwellen aufgezeichnet werden können, wie beispielsweise eine Nacken- oder Brustfläche, von einer Videokamera aufgenommen. Die Videobilder werden verarbeitet, um ein Gefäßmuster zu isolieren. Das Gefäßnetz/Gefäßmuster wird in den Videobildern beispielsweise basierend auf der Farbe, den räumlichen Merkmalen, der Materialidentifizierung und dergleichen identifiziert. Ein Durchschnitt aller Pixelwerte in den identifizierten Gefäßbereichen innerhalb jedes Einzelbildes des aufgenommenen Videos wird berechnet, um einen Kanaldurchschnitt auf Einzelbildbasis zu erzielen. Es wird ein globaler Kanaldurchschnitt für jeden Kanal berechnet, indem die Kanaldurchschnitte über mehrere Einzelbilder addiert werden und durch die Gesamtanzahl der Einzelbilder dividiert werden. Der Kanaldurchschnitt wird von dem Gesamtkanaldurchschnitt subtrahiert und das Ergebnis wird durch die gesamte Standardabweichung des Kanals dividiert, um ein Zeitreihensignal mit Mittelwert null und Varianz eins für jeden der isolierten Gefäßbereiche zu erzielen. Die erzielten Zeitreihensignale werden normiert und gefiltert, um unerwünschte Frequenzen zu entfernen. Die sich ergebenden Zeitreihensignale für die Gefäßbereiche enthalten die Gesamtsumme der volumetrischen Druckänderungen in diesen Bereichen. Die Arterienpulse umfassen eine vorherrschende Komponente dieser Signale. Die Signale werden unter Verwendung einer unabhängigen Komponentenanalysetechnik verarbeitet, um PPG-Signale zu entnehmen.
  • Zur Gefäßgangdetektion kann das Video vorbereitet werden, um eine uneinheitliche Beleuchtung auf Grund einer Krümmung einer Oberfläche des Bereichs bloßer Haut auszugleichen. Das Video kann verarbeitet werden, um durch Bewegung hervorgerufene Unschärfe, Abbildungsunschärfe oder eine langsame Leuchtmittelvariation auszugleichen. Es kann eine Glättung an dem Video ausgeführt werden, um die Hautstruktur von einer Oberfläche des Bereichs bloßer Haut zu entfernen. Selbstverständlich kann die Glättung beispielsweise unter Verwendung einer gaußschen Glättung erfolgen. Das Video kann verarbeitet werden, um Kontrast und Helligkeit zu verbessern. Man kann auch eine unabhängige Komponentenauswahl verwenden, um einen gewissen Inhalt in dem Video zu verstärken, wie beispielsweise einen Bereich, der größere Blutgefäße enthält.
  • Es wird nun Bezug auf 2 genommen, die ein beispielhaftes Bildgebungssystem zum Aufnehmen eines Videosignals eines interessierenden Probanden abbildet. Der Untersuchungsraum 200 verfügt über ein beispielhaftes Bildaufnahmesystem 202, das von einem Techniker 203 bedient wird, der am Bett 204 eines interessierenden Probanden 205 steht, der gezeigt wird, wie sein Kopf auf einem Kopfkissen ruht, während sein Körper teilweise von einem Laken 207 bedeckt ist. Das Kamerasystem 202 ist drehbar an dem Tragarm 208 befestigt, so dass das Blickfeld 209 der Kamera von einer Krankenschwester 203 auf einen Bereich bloßer Haut einer Brustfläche 206 des Patienten 205 zum ständigen Überwachen der Herzfunktion gerichtet werden kann. Der Tragarm 208 ist mit einem Satz Räder versehen, so dass man das Bildaufnahmesystem von Bett zu Bett und Raum zu Raum schieben kann. Obwohl der Patient 205 in einer liegenden Position in einem Bett liegend gezeigt wird, versteht es sich, dass Bilder des interessierenden Probanden, der auf seine Herzfunktion überwacht wird, aufgenommen werden können, während der Proband in anderen unterstützenden Vorrichtungen, wie beispielsweise in einem Stuhl oder Rollstuhl, positioniert ist, wenn er steht oder geht oder sich bewegt.
  • Das Kamerasystem 202 nimmt Videobilder des interessierenden Probanden, der auf seine Herzfunktion zu überwachen ist, auf. Die aufgenommenen Videobilder umfassen Quelldaten auf mehreren Kanälen, wie etwa RGB und/oder multispektrale Daten, die im Verlauf der Zeit erfasst werden. Die Kamera 202 umfasst Bildgebungssensoren, wobei es sich um einen einzigen Sensor oder ein Sensor-Array, das eine Vielzahl von einzelnen oder getrennten Sensoreinheiten umfasst, handeln kann. Ein zentraler Prozessor, der in die Kamera 202 integriert ist und mit einem (nicht gezeigten) Speicher in Verbindung steht, dient dazu, Änderungen des Status der Sensoren zu erkennen und einen Alarm, eine Meldung, einen Bericht und dergleichen auszugeben, wenn eine Änderung in einer beliebigen Hardware oder Software der Kamera erkannt wurde. Andere Sensoren sind in der Lage, eine Änderung des Status des Patienten 205 zu erfassen und einen Alarm oder eine Benachrichtigung über ein Übertragungselement 210 an eine Krankenschwester, einen Doktor oder einen Techniker auszugeben, falls die überwachte Herzfunktion des Patienten außerhalb einer Reihe vordefinierter Parameter fällt.
  • Die Antenne 210 wird verwendet, um die Videobilder diversen entfernt aufgestellten Vorrichtungen mitzuteilen. Der Sender 210 kann eine drahtgebundene Verbindung sein (z.B. Ethernet), die ein Ethernet-Netzwerk verwendet, das aus Ethernet-Kabeln und einem Ethernet-Hub besteht, der mit einem Netzwerk 201 in Verbindung steht. Das Kamerasystem 202 kann sowohl drahtlose als auch drahtgebundene Elemente umfassen und kann über andere Mittel, wie etwa ein Koaxialkabel, Radiofrequenz, Bluetooth oder eine beliebige andere Art der Datenkommunikation verbunden sein. Das Netzwerk 201 empfängt die übertragenen Videosignale und teilt die empfangenen Videobilder diversen Vorrichtungen, wie beispielsweise einer Arbeitsstation mit einer Anzeigevorrichtung, zur Verarbeitung drahtlos mit. Die Daten werden in Form von Signalen übertragen, die beispielsweise elektronische, elektromagnetische, optische, Licht- oder andere Signale sein können. Diese Signale werden einer Kommunikationsvorrichtung bereitgestellt, wie etwa einem Server, der Datenpakete anhand eines Drahts, eines Kabels, einer Glasfaser, einer Telefonleitung, einer zellularen Verbindung, RF, eines Satelliten oder eines anderen Mediums oder Kommunikationswegs sendet und empfängt. Die Techniken, um Vorrichtungen in vernetzte Kommunikation zu versetzen, sind wohlbekannt. Eine weitere Diskussion bezüglich spezifischer Techniken für vernetzte Vorrichtungen wurde unterlassen. Alle vernetzten Vorrichtungen können eine Netzwerk-Schnittstellenkarte oder ein derartiges System umfassen.
  • Es wird nun Bezug auf das Ablaufschema in 3 genommen, das ein Ausführungsbeispiel des vorliegenden Verfahrens zum Schätzen der Herzratenvariabilität aus einem Video, das von einem interessierenden Probanden aufgenommen wird, abbildet. Die Ablaufverarbeitung beginnt mit Schritt 300 und fährt sofort mit Schritt 302 fort.
  • In Schritt 302 wird ein Video einer Zielfläche eines Bereichs bloßer Haut eines interessierenden Probanden empfangen, an der ein photoplethysmographisches (PPG) Signal des Probanden aufgezeichnet werden kann. Das Video umfasst eine Vielzahl von zeitvariablen Bildern, die von einer Videokamera mit mindestens einem Bildgebungskanal aufgenommen werden.
  • In Schritt 304 werden die Videobilder verarbeitet, um ein Zeitreihensignal zu generieren, das den PPG-Signalen entspricht, die von dem Bildgebungskanal der Videokamera aufgenommen wurden, die verwendet wird, um das Video aufzunehmen.
  • In Schritt 306 werden über ein vordefiniertes Zeitintervall niederfrequente und hochfrequente Komponenten des integrierten Leistungsspektrums innerhalb des Zeitreihensignals entnommen.
  • In Schritt 308 wird ein Verhältnis der niederfrequenten und hochfrequenten Komponenten über das Zeitintervall bestimmt, wobei das Verhältnis die geschätzte Herzratenvariabilität für dieses Intervall umfasst.
  • In Schritt 310 wird die Herzratenvariabilität einer Anzeigevorrichtung mitgeteilt. Eine derartige Anzeigevorrichtung wird mit Bezug auf die Arbeitsstation aus 7 gezeigt und besprochen. Bei dieser bestimmten Ausführungsform hört die weitere Verarbeitung auf. Bei einer anderen Ausführungsform wird ein Alarm ausgelöst, der angibt, dass die Herzratenvariabilität des Probanden nicht in annehmbaren Parametern liegt. Das Auslösen eines Alarms kann beispielsweise dazu gedacht sein, um ein Licht einzuschalten, ein hörbares Geräusch zu erzeugen oder anderweitig ein Signal zu generieren, das eine Vorrichtung aktiviert, die wiederum eine Aktion ausführt oder eine Benachrichtigung bereitstellt. Die Art des Alarmsignals, das generiert wird, ist von der bestimmten Ausführungsform abhängig, bei der die vorliegenden Lehren umgesetzt werden. Sobald das Alarmsignal aktiviert wird, ist bei dieser bestimmten alternativen Ausführungsform die weitere Verarbeitung beendet. Bei einer anderen Ausführungsform wiederholt sich die Verarbeitung, so dass die Herzfunktion des Probanden ständig überwacht wird. Das vorliegende System kann in Verbindung mit anderen Gesundheitsüberwachungseinrichtungen verwendet werden oder damit derart integriert sein, dass das ausgelöste Alarmsignal bewirkt, dass diese andere Vorrichtung beabsichtigte Funktionen ausführt.
  • Ein sich langsam ändernder Trend in dem Zeitreihensignal kann zu einer nicht stationären Signalkomponente führen, die zu großen Nebenbändern um die ausschlaggebenden HRV-Frequenzkomponenten führen kann. Bevor daher eine Spektralanalyse ausgeführt wird, wird es bevorzugt, das Signal vom Trend zu bereinigen, um langsame nicht stationäre Trends vor der HRV-Analyse aus dem Signal zu entfernen. Ein Verfahren zum Bereinigen vom Trend funktioniert wie ein zeitvariables Hochpass-FIR-Filter, indem es niederfrequente Komponenten entfernt. Bei einer Ausführungsform wird das stationäre PPG-Signal gegeben durch:
    (1)
    wobei eine Identitätsmatrix ist, eine normierte Zeitreihensignal ohne Null ist, ein benutzerdefinierter einzelner Parameter ist, der verwendet wird, um ein Frequenzverhalten des Algorithmus zum Bereinigen von dem Trend ist, und eine Differenzmatrix zweiter Ordnung der folgenden Form ist:
    Figure DE102013210713A1_0002
  • Wenn die Größe aufweist, dann weist die Identifizierungsmatrix die Größe auf. Für die von uns getesteten Probanden wurde gewählt. Der Parameter wird im Voraus durch Versuche an einem Patienten in seiner klinischen/ häuslichen/ Arbeitsumgebung mit Probendaten derart eingestellt, dass er keine nützlichen Informationen aus den niederfrequenten Komponenten verliert.
  • Nach der Bereinigung vom Trend wird das stationäre Zeitreihensignal, durch ein Bandpassfilter vorgefiltert, um den Bereich einzuschränken, um interessierende Frequenzbänder beizubehalten. Das Zeitreihensignal enthält Frequenzkomponenten mit Bezug auf die Herzrate und Frequenzen mit Bezug auf die HRV. Das Vorfiltern entfernt unerwünschte Frequenzen unter und über dem erwarteten Frequenzbereich. Auch kann die Umgebungsbeleuchtung auf einer höheren Herzschlagfrequenz schwanken. Für die von uns mit einer handelsüblichen RGB-Kamera getesteten Probanden wurde ein sehr breiter Spektralbereich verwendet, d.h. von 0,04 Hz bis 2 Hz. Ein Filter mit eingeschränkter endlicher Impulsantwort (FIR) höherer Ordnung wurde verwendet, um die Bandbreite einzuschränken.
  • Die Analyse der spektralen Leistungsdichte stellt die grundlegenden Informationen darüber bereit, wie sich die Leistung als Funktion der Frequenz verteilt. Eine Graphik der spektralen Leistungsdichte kann unter Verwendung der MATLAB-Funktion „Periodogramm” mit einem Hamming-Fenster für das gefilterte stationäre Signal erzielt werden. Anstelle der Periodogramm-Methode kann man auch nicht parametrische Methoden verwenden, wie etwa die autoregressive (AR) Zeitreihenmodellierung.
  • Für die HRV und die sympathische/parasympathische Analyse wurden Tests sowohl für einen Erwachsenen als auch für ein Kleinkind ausgeführt. Für den Erwachsenen wurden zwei Videos verwendet, die in einer Laborumgebung aufgenommen wurden – und zwar eines, als der Teilnehmer (24 Jahre alt) vor einer RGB-Kamera still saß und einer normalen Aktivität nachging (für die sympathische Analyse), und das andere, als derselbe Teilnehmer sich passiv eine Videoaufzeichnung ansah (für die parasympathische Analyse). Für das Kleinkind wurde ein Video verwendet, das in einer neonatalen Intensivstation (NICU) aufgezeichnet wurde, wobei das Baby/ der Teilnehmer während der gesamten Aufzeichnung schlief und nur geringfügige Bewegungen ein paar Sekunden lang zu beobachten waren. Alle Videoaufzeichnungen wurden unter Verwendung einer standardmäßigen RGB-Digitalkamera mit 30 Einzelbildern pro Sekunde (FPS) mit einer Pixelauflösung von 640 × 480 erzeugt und im AVI-Format gespeichert. Jedes Video war zum besseren Verständnis der HRV im Verlauf der Zeit drei Minuten oder mehr lang. Der Gesichtsbereich des Teilnehmers wurde als der Bereich bloßer Haut (ROI) ausgewählt. Die Einzelbilder wurden auf Zeitreihen (RGB-Kanäle) reduziert, indem alle Pixel in dem ROI auf einer einzelbildmäßigen Basis räumlich gemittelt wurden. Die grüne Kanalspur wurde ausgewählt, da sie die stärksten physiologischen Signale aus allen Kanälen enthielt und wurde unter Verwendung eines Glättungsparameters (λ = 2000) für einen sehr niedrigen Grenzfrequenzwert von ungefähr 0,04 Hz für das zeitvariable FIR-Hochpassfilter vom Trend bereinigt. Das vom Trend bereinigte Signal wurde unter Verwendung eines Bandpassfilters mit einer Grenzfrequenz von 0,04–2 Hz weiter verarbeitet. Die schnelle Fourier-Transformierte des verarbeiteten Signals wurde berechnet. 4 zeigt die HRV-Bewertung, die diese Technik verwendet. 4A zeigt die spektrale Leistungsdichte für eine sympathische Reaktion, und 4B zeigt diese für eine parasympathische Reaktion. Die LF- und HF-Komponenten wurden unter Verwendung eines Spitzendetektions-Algorithmus identifiziert, wie er auf diesem Gebiet wohlbekannt ist. Um die Signalstärke in jeder dieser Komponenten zu bestimmen, wurden zwischen einem unteren und einem oberen Bereich Energiespektren integriert. Für unsere Tests wurde ±0,02 Hz aus der Spitzenfrequenz für die Integration gewählt. In beiden Fällen ist ersichtlich, dass die HF-Energie (d.h. die Atemfrequenz, RR) und die Herzrate (HR) jeweils um 0,2 Hz (12 Atmungen pro Minute) und 1 Hz (60 bis 61 Herzschläge pro Minute) zentriert sind, was der grundlegenden Atemfrequenz und der Herzrate entspricht, die unter Verwendung herkömmlicher Sensoren gemessen werden (Fingerpulsoxymeter und manuelles Zählen der Atemfrequenz). Es sei zu beachten, dass wenn die reflektierenden plethysmographischen Signale nicht richtig aufgezeichnet werden, eine Kapazität zum Korrigieren der Signalrekonstruktion nötig sein kann. Dies kann durchgeführt werden, indem Spitzen erkannt werden und dann durch Bandpassfiltern und dann durch Ausführen von Berechnungen der spektralen Leistungsdichte fehlende Spitzen bei dem vom Trend bereinigten Signal eingeführt werden. 5 zeigt die ständige Überwachung von HR, RR und HRV oder LF/HF sowohl für sympathische (5A) als auch für parasympathische (5B) Fälle für denselben Probanden für mehr als drei Minuten. Die HRV für den zweiten Fall ist immer geringer als erwartet. Die Entwicklung des HRV-Verhältnisses im Verlauf der Zeit enthält nützliche Informationen, die insbesondere für die Überwachung der nächtlichen Apnoe und für Patienten im Krankenhaus, die sich in einem normalen Krankenhausbett befinden (innerhalb oder außerhalb der ICU), nützlich sind. Ständige HRV-Signale werden nacheinander mit Videoeinzelbildern auf Serienbasis berechnet, wobei jede neue Serie einen Großteil der vorhergehenden Serie und nur einige neue Einzelbilder verwendet.
  • 6A zeigt ein Leistungsspektrum für drei aufeinanderfolgende Serien, die eine HR-, RR- und HRV-Bewertung zeigen. 6B zeigt die Grundlinie, die mit einem FDA-zugelassenen Gesundheitsüberwachungssystem von Philips zu dem Zeitpunkt, zudem das Video des Kleinkindes aufgenommen wurde, aufgezeichnet wurde. Die Mittelfrequenz der HR liegt bei 2,15 Hz (129 bpm) und die RR liegt bei 0,75 Hz (45 cpm), was den grundlegenden Raten entspricht, die in 6B gezeigt werden. Die Grenzfrequenz von 0,04 bis 4 Hz wurde für das Bandpassfilter gewählt. Es sei zu beachten, wie sich das Verhältnis LF/HF von 0,734 (vorherrschende HF) über 0,998 (Übergangszustand) auf 1,555 (vorherrschende LF) ändert, was die sympathischen und parasympathischen Einflüsse auf das Kleinkind im Verlauf der Zeit wiederspiegelt.
  • Es wird nun Bezug genommen auf 7, die ein Blockdiagramm eines beispielhaften Videosignal-Verarbeitungssystems abbildet, um diverse Aspekte des vorliegenden Verfahrens auszuführen, wie sie mit Bezug auf das Ablaufdiagramm von 3 gezeigt und beschrieben werden.
  • Die Ausführungsform von 7 empfängt ein Video, das Videobilder umfasst, die von einem interessierenden Probanden aufgenommen werden, der auf seine Herzfunktion zu überwachen ist. Bei den aufgenommenen Videobildern handelt es sich entweder um eine Vielzahl von IR-Bildern 702, die unter Verwendung einer multispektralen Kamera aufgenommen werden, oder um eine Vielzahl von RGB-Bildern 703. Die Sequenz der Bilder 702 oder 703 umfasst insgesamt Quellvideodaten auf mehreren Kanälen, die im Verlauf der Zeit erfasst werden. Das Signalverarbeitungssystem 704 empfängt die Videobilder in dem Zeitreihensignal-Wiedergewinnungsmodul 706, das die Videobilder gemäß den vorliegenden Lehren verarbeitet, um ein Zeitreihensignal zu erzielen. Der Speicher 708 und die CPU 710 ermöglichen die Verarbeitung und die Ausgabe der Herzratenvariabilität 709 des Probanden. Die HRV 709 wird der Arbeitsstation 713 und der Multifunktions-Drucksystemvorrichtung 715 zur weiteren Verarbeitung und gegebenenfalls zur Wiedergabe mitgeteilt. Die geschätzte HRV kann ferner entfernt aufgestellten Vorrichtungen über das Netzwerk 710 mitgeteilt werden. Viele Aspekte des Netzwerks 710 sind allgemein bekannt, und eine weitere Diskussion bezüglich der Konstruktion und/oder des Betriebs einer spezifischen Netzwerkkonfiguration wurde ausgelassen. Es sei nur darauf hingewiesen, dass Daten in Paketen zwischen vernetzten Vorrichtungen über eine Vielzahl von Kommunikationsvorrichtungen und Verbindungen unter Verwendung bewährter Protokolle übertragen werden. Die Daten werden in Form von Signalen übertragen, die beispielsweise elektronische, elektromagnetische, optische, Licht- oder andere Signale sein können. Diese Signale werden einer Kommunikationsvorrichtung bereitgestellt, wie etwa einem Server, der Datenpakete anhand eines Drahts, eines Kabels, einer Glasfaser, einer Telefonleitung, einer zellularen Verbindung, RF, eines Satelliten oder eines anderen Mediums oder Kommunikationswegs sendet und empfängt.
  • Die Computerarbeitsstation 713 wird gezeigt, wie sie ein Computergehäuse 718 umfasst, das eine Hauptplatine, eine CPU, einen Speicher, eine Schnittstelle, eine Speichervorrichtung und eine Kommunikationsverbindung, wie etwa eine Netzwerkkarte, aufnimmt. Die Computerarbeitsstation wird auch gezeigt, wie sie eine Anzeigevorrichtung 719, wie etwa eine CRT-, LCD- oder Berührungsbildschirm-Anzeige aufweist, auf der die HRV für einen Techniker, eine Krankenschwester oder einen praktischen Arzt angezeigt wird. Eine alphanummerische Tastatur 720 und eine Maus (nicht gezeigt) führen Benutzereingaben aus. Bei der Ausführungsform aus 7 setzt das Computersystem 713 die Datenbank 722 um, in der diverse Datensätze gespeichert sind, manipuliert werden und als Reaktion auf eine Abfrage abgerufen werden. Bei diversen Ausführungsformen liegen diese Ausführungsformen als medizinische Patientenakte vor. Obwohl die Datenbank als externe Vorrichtung gezeigt wird, kann die Datenbank in dem Computergehäuse 718 intern sein, das auf einer Festplatte montiert ist, die darin aufgenommen ist. Ein Datensatz bezieht sich auf eine beliebige Datenstruktur, die in der Lage ist, Informationen zu enthalten, die indexiert, gespeichert, durchsucht und als Reaktion auf eine Anfrage abgerufen werden können. Es versteht sich, dass die Informationen einer medizinischen Patientenakte in einem der Datensätze in der Datenbank 722 gespeichert sein können und/oder daraus abgerufen werden können. Es versteht sich auch, dass die Arbeitsstation über ein Betriebssystem und andere spezialisierte Software verfügt, die konfiguriert ist, um diverse nummerische Werte, Text, Bildlaufleisten, Auswahlmenüs mit benutzerwählbaren Optionen und dergleichen anzuzeigen, um Informationen, die auf der Anzeigevorrichtung angezeigt werden, einzugeben, auszuwählen oder zu ändern.
  • Ein Benutzer der Arbeitsstation aus 7 kann die graphische Benutzeroberfläche verwenden, um Pixel und/oder mögliche Teilbildabschnitte von einem oder mehreren Videoeinzelbildern zur Verarbeitung oder Wiederverarbeitung zu identifizieren oder anderweitig auszuwählen. Die Menü-Optionen, die von einem Benutzer ausgewählt werden, und eventuelle andere Auswahlen, wie etwa Bereiche bloßer Haut, Videoeinzelbilder, mögliche Bildteilabschnitte, proximale und distale Bereiche und dergleichen, können der Arbeitsstation mitgeteilt werden. Einige oder alle der empfangenen Videos können je nach Bedarf von einem Bediener der Arbeitsstation auf dem Display betrachtet werden, um die Analyse zu ermöglichen, die derart ausgeführt werden soll, dass die Herzfunktion des Probanden überwacht werden kann. Diese Ermöglichung kann derart ausgestaltet sein, dass der Bediener ein oder mehrere Einzelbilder des Videos zur Analyse und Verarbeitung auswählt. Der Bediener kann ferner bestimmte Videoeinzelbilder oder Teile der empfangenen Videosignale an bestimmte Module und/oder Prozessoren des Videoanalysesystems aus 7 leiten. Das oder die Ergebnisse der generierten Videoanalyse kann bzw. können vom Benutzer überprüft werden. Der Bediener kann die Ergebnisse je nach Bedarf ändern und die geänderten Ergebnisse zur weiteren Verarbeitung oder Wiederverarbeitung zurück an die gleichen oder an verschiedene Module leiten. Es versteht sich, dass die Arbeitsstation über ein Betriebssystem und andere spezialisierte Software verfügt, die konfiguriert ist, um diverse nummerische Werte, Text, Bildlaufleisten, Auswahlmenüs mit benutzerwählbaren Optionen und dergleichen anzuzeigen, um Informationen, die auf der Anzeigevorrichtung angezeigt werden, einzugeben, auszuwählen oder zu ändern. Beim Betrachten der berechneten Ergebnisse der Herzratenvariabilität kann der Benutzer in dem Video andere alternative Bereiche bloßer Haut auswählen und diese anderen Module zur Verarbeitung oder Wiederverarbeitung bereitstellen. Bei anderen Ausführungsformen werden die generierten Ergebnisse einem Server direkt über das Netzwerk 710 bereitgestellt und einem Benutzer/Bediener, wie etwa einem Arzt, einer Krankenschwester, einem Techniker, einem Herzspezialisten, um nur einige Möglichkeiten zu nennen, mitgeteilt.
  • Jedes der Module und der Verarbeitungseinheiten aus 7 steht in Verbindung mit der Arbeitsstation 713 über (nicht gezeigte) Wege und kann ferner über das Netzwerk 710 in Verbindung mit einer oder mehreren entfernt aufgestellten Vorrichtungen stehen. Es versteht sich, dass einige oder alle der Funktionen für jedes der Module des Systems 704 insgesamt oder teilweise von Komponenten, die in der Arbeitsstation 713 intern sind, oder durch ein spezielles Computersystem ausgeführt werden können. Es versteht sich ebenfalls, dass diverse Module eine oder mehrere Komponenten bezeichnen können, die wiederum Software und/oder Hardware umfassen, die ausgelegt ist bzw. sind, um die beabsichtigte Funktion auszuführen. Eine Vielzahl von Modulen kann zusammen eine einzige Funktion ausführen. Jedes Modul kann einen spezialisierten Prozessor aufweisen, der in der Lage ist, maschinenlesbare Programmanweisungen auszuführen. Ein Modul kann eine einzelne Hardware, wie etwa eine ASIC, eine elektronische Schaltung oder einen Spezialprozessor umfassen. Eine Vielzahl von Modulen kann entweder von einem einzigen speziellen Computersystem oder von einer Vielzahl von speziellen Computersystemen parallel ausgeführt werden. Die Verbindungen zwischen den Modulen umfassen sowohl physische als auch logische Verbindungen. Die Module können ferner ein oder mehrere Software-/Hardware-Module umfassen, die ferner ein Betriebssystem, Treiber, Vorrichtungs-Controller und andere Geräte umfassen können, von denen einige oder alle über ein Netzwerk angeschlossen werden können. Es wird ebenfalls in Betracht gezogen, dass einer oder mehrere Aspekte des vorliegenden Verfahrens auf einem dedizierten Computersystem umgesetzt werden kann bzw. können, und dass er bzw. sie auch in verteilten Computerumgebungen umgesetzt werden kann bzw. können, wo Aufgaben durch entfernt aufgestellte Vorrichtungen ausgeführt werden, die über das Netzwerk 710 miteinander verbunden sind,
  • An den zuvor beschriebenen Ausführungsformen können diverse Änderungen vorgenommen werden, ohne Geist und Umfang der Erfindung zu verlassen.

Claims (10)

  1. Verfahren zum Schätzen der Herzratenvariabilität aus einem Video, das von einem interessierenden Probanden aufgenommen wird, der in einer kontaktlosen Fernsensorumgebung überwacht wird, wobei das Verfahren folgende Schritte umfasst: Aufnehmen eines Videos, das von einer Zielfläche eines Bereichs bloßer Haut eines interessierenden Probanden aufgenommen wird, wo ein photoplethysmographisches (PPG) Signal des Probanden aufgezeichnet werden kann, wobei das Video Videobilder umfasst, die von einer Videokamera mit mindestens einem Bildgebungskanal aufgenommen werden; Verarbeiten der Videobilder, um ein Zeitreihensignal zu generieren, das ein PPG-Signal enthält, das von dem Bildgebungskanal aufgenommen wird; Entnehmen über ein vordefiniertes Zeitintervall von niederfrequenten und hochfrequenten Komponenten des integrierten Leistungsspektrums innerhalb des Zeitreihensignals; und Bestimmen eines Verhältnisses der nieder- und hochfrequenten Komponenten über das Intervall, wobei das Verhältnis die geschätzte Herzratenvariabilität des Probanden für das Intervall umfasst.
  2. Verfahren nach Anspruch 1, wobei die Zielfläche mindestens eine Teilansicht eines der folgenden Elemente enthält: eines vorderen Brustbereichs des Probanden, eines hinteren Bereichs des Rückens des Probanden, einer Seitenansicht eines Brustbereichs des Probanden, eines bloßen Bereichs des Unterarms des Probanden und eines bloßen Bereichs der Handfläche des Probanden, eines Bereichs des Gesichts des Probanden, eines Bereichs des Halses des Probanden und eines Bereichs in der Nähe eines Fingers des Probanden.
  3. Verfahren nach Anspruch 1, wobei das Video unter Verwendung einer Videokamera aufgenommen wurde, die eine umfasst von: einer Infrarot-Videokamera mit mindestens einem Bildgebungskanal, die NIR-Bilder aufnimmt, einer Farbvideokamera mit mindestens einem Bildgebungskanal, die RGB-Bilder aufnimmt, einer hybriden Infrarot- und Farbvideokamera mit Bildgebungskanälen, die RGB- und NIR-Bilder aufnimmt, einer Multispektral-Videokamera mit mindestens einem Bildgebungskanal, die Multispektral-Bilder aufnimmt, und einer Hyperspektral-Videokamera mit mindestens einem Bildgebungskanal, die Hyperspektral-Videobilder aufnimmt.
  4. Verfahren nach Anspruch 1, wobei vor dem Entnehmen des Zeitreihensignals eines ausgeglichen wird von: durch Bewegung hervorgerufene Unschärfe, Abbildungsunschärfe oder eine langsame Leuchtmittelvariation.
  5. Verfahren nach Anspruch 1, wobei vor dem Entnehmen der nieder- und hochfrequenten Komponenten ferner das PPG-Signal vom Trend bereinigt wird, um langsame nicht stationäre Trends aus dem Signal zu entfernen, so dass ein nahezu stationäres PPG-Signal erzielt wird, wobei das stationäre PPG-Signal Folgendes umfasst: wobei eine Identitätsmatrix ist, eine normierte Zeitreihensignal ohne Null ist, ein benutzerdefinierter einzelner Parameter ist, der verwendet wird, um ein Frequenzverhalten des Algorithmus zum Bereinigen von dem Trend ist, und eine Differenzmatrix zweiter Ordnung der folgenden Form ist:
    Figure DE102013210713A1_0003
  6. System zum Schätzen der Herzratenvariabilität aus einem Video, das von einem interessierenden Probanden aufgenommen wird, der in einer kontaktlosen Fernsensorumgebung überwacht wird, wobei das System Folgendes umfasst: eine Videokamera mit mindestens einem Bildgebungskanal; und einen Prozessor in Verbindung mit einem Speicher, wobei der Prozessor maschinenausführbare Anweisungen ausführt, um folgende Schritte auszuführen: Aufnehmen eines Videos, das von einer Zielfläche eines Bereichs bloßer Haut eines interessierenden Probanden aufgenommen wird, wo ein photoplethysmographisches (PPG) Signal des Probanden aufgezeichnet werden kann, wobei das Video Videobilder umfasst, die von der Videokamera aufgenommen werden; Verarbeiten der Videobilder, um ein Zeitreihensignal zu generieren, das ein PPG-Signal enthält, das von dem Bildgebungskanal aufgenommen wird; Entnehmen über ein vordefiniertes Zeitintervall von niederfrequenten und hochfrequenten Komponenten des integrierten Leistungsspektrums innerhalb des Zeitreihensignals; und Bestimmen eines Verhältnisses der nieder- und hochfrequenten Komponenten über das Intervall, wobei das Verhältnis die geschätzte Herzratenvariabilität des Probanden für das Intervall umfasst.
  7. System nach Anspruch 6, wobei die Zielfläche mindestens eine Teilansicht eines der folgenden Elemente enthält: eines vorderen Brustbereichs des Probanden, eines hinteren Bereichs des Rückens des Probanden, einer Seitenansicht eines Brustbereichs des Probanden, eines bloßen Bereichs des Unterarms des Probanden und eines bloßen Bereichs der Handfläche des Probanden, eines Bereichs des Gesichts des Probanden, eines Bereichs des Halses des Probanden und eines Bereichs in der Nähe eines Fingers des Probanden.
  8. System nach Anspruch 6, wobei die Videokamera eines umfasst von: einer Infrarot-Videokamera mit mindestens einem Bildgebungskanal, die NIR-Bilder aufnimmt, einer Farbvideokamera mit mindestens einem Bildgebungskanal, die RGB-Bilder aufnimmt, einer hybriden Infrarot- und Farbvideokamera mit Bildgebungskanälen, die RGB- und NIR-Bilder nimmt, einer Multispektral-Videokamera mit mindestens einem Bildgebungskanal, die Multispektral-Bilder aufnimmt, und einer Hyperspektral-Videokamera mit mindestens einem Bildgebungskanal, die Hyperspektral-Videobilder aufnimmt.
  9. System nach Anspruch 6, wobei vor dem Entnehmen des Zeitreihensignals eines ausgeglichen wird von: durch Bewegung hervorgerufene Unschärfe, Abbildungsunschärfe oder eine langsame Leuchtmittelvariation.
  10. System nach Anspruch 6, wobei vor dem Entnehmen der nieder- und hochfrequenten Komponenten ferner das PPG-Signal vom Trend bereinigt wird, um langsame nicht stationäre Trends aus dem Signal zu entfernen, so dass ein nahezu stationäres PPG-Signal erzielt wird, wobei das stationäre PPG-Signal Folgendes umfasst: wobei eine Identitätsmatrix ist, eine normierte Zeitreihensignal ohne Null ist, ein benutzerdefinierter einzelner Parameter ist, der verwendet wird, um eine Frequenzverhalten des Algorithmus zum Bereinigen von dem Trend ist, und eine Differenzmatrix zweiter Ordnung der folgenden Form ist:
    Figure DE102013210713A1_0004
DE102013210713.7A 2012-06-25 2013-06-07 Videobasierte Schätzung der Herzratenvariabilität Withdrawn DE102013210713A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US13/532,057 2012-06-25
US13/532,057 US8977347B2 (en) 2012-06-25 2012-06-25 Video-based estimation of heart rate variability

Publications (1)

Publication Number Publication Date
DE102013210713A1 true DE102013210713A1 (de) 2014-01-16

Family

ID=49775000

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102013210713.7A Withdrawn DE102013210713A1 (de) 2012-06-25 2013-06-07 Videobasierte Schätzung der Herzratenvariabilität

Country Status (2)

Country Link
US (1) US8977347B2 (de)
DE (1) DE102013210713A1 (de)

Families Citing this family (85)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2023812B1 (de) 2006-05-19 2016-01-27 The Queen's Medical Center Bewegungsverfolgungssystem für adaptive echtzeitabbildung und -spektroskopie
US9642536B2 (en) 2010-06-07 2017-05-09 Affectiva, Inc. Mental state analysis using heart rate collection based on video imagery
US9351654B2 (en) 2010-06-08 2016-05-31 Alivecor, Inc. Two electrode apparatus and methods for twelve lead ECG
US8509882B2 (en) 2010-06-08 2013-08-13 Alivecor, Inc. Heart monitoring system usable with a smartphone or computer
EP2747641A4 (de) 2011-08-26 2015-04-01 Kineticor Inc Verfahren, systeme und vorrichtungen zur scan-internen bewegungskorrektur
US9326008B2 (en) * 2012-04-10 2016-04-26 Google Inc. Noise reduction for image sequences
EP2922462A1 (de) * 2012-11-23 2015-09-30 Koninklijke Philips N.V. Vorrichtung und verfahren zum extrahieren physiologischer daten
WO2014097052A1 (en) * 2012-12-20 2014-06-26 Koninklijke Philips N.V. Monitoring a waiting area
US10327708B2 (en) 2013-01-24 2019-06-25 Kineticor, Inc. Systems, devices, and methods for tracking and compensating for patient motion during a medical imaging scan
US9305365B2 (en) 2013-01-24 2016-04-05 Kineticor, Inc. Systems, devices, and methods for tracking moving targets
US10238292B2 (en) 2013-03-15 2019-03-26 Hill-Rom Services, Inc. Measuring multiple physiological parameters through blind signal processing of video parameters
US20160143544A1 (en) * 2013-06-27 2016-05-26 Hitachi, Ltd. System for Calculating Biological Information Under Exercise Load, Biological Information Calculation Method, and Portable Information Terminal
US20170202463A1 (en) * 2013-08-07 2017-07-20 Koninklijke Philips N.V. Monitoring system and method for monitoring the hemodynamic status of a subject
US9300869B2 (en) * 2013-10-24 2016-03-29 Fujitsu Limited Reduction of spatial resolution for temporal resolution
TWI546052B (zh) * 2013-11-14 2016-08-21 財團法人工業技術研究院 影像式心率活動偵測裝置及其方法
US9420956B2 (en) 2013-12-12 2016-08-23 Alivecor, Inc. Methods and systems for arrhythmia tracking and scoring
US9336594B2 (en) 2014-03-07 2016-05-10 Xerox Corporation Cardiac pulse rate estimation from source video data
US9270825B2 (en) 2014-03-18 2016-02-23 Xerox Corporation Non-contact stress assessment devices
US9320440B2 (en) 2014-04-01 2016-04-26 Xerox Corporation Discriminating between atrial fibrillation and sinus rhythm in physiological signals obtained from video
US20150302158A1 (en) * 2014-04-21 2015-10-22 Microsoft Corporation Video-based pulse measurement
US9875664B2 (en) 2014-06-02 2018-01-23 Xerox Corporation Virtual trainer optimizer method and system
WO2016014718A1 (en) 2014-07-23 2016-01-28 Kineticor, Inc. Systems, devices, and methods for tracking and compensating for patient motion during a medical imaging scan
US20160051179A1 (en) * 2014-08-20 2016-02-25 Daniel Curtis Herman Detecting and monitoring recovery from traumatic brain injury with photoplethysmography
WO2016037033A1 (en) * 2014-09-05 2016-03-10 Lakeland Ventures Development, Llc Method and apparatus for the continous estimation of human blood pressure using video images
US10456046B2 (en) * 2014-09-12 2019-10-29 Vanderbilt University Device and method for hemorrhage detection and guided resuscitation and applications of same
US10660533B2 (en) * 2014-09-30 2020-05-26 Rapsodo Pte. Ltd. Remote heart rate monitoring based on imaging for moving subjects
US9986923B2 (en) * 2015-01-09 2018-06-05 Xerox Corporation Selecting a region of interest for extracting physiological parameters from a video of a subject
US9668688B2 (en) 2015-04-17 2017-06-06 Mossbridge Institute, Llc Methods and systems for content response analysis
JP6498325B2 (ja) 2015-05-13 2019-04-10 アライヴコア・インコーポレーテッド 不一致モニタリング
US10667697B2 (en) 2015-06-14 2020-06-02 Facense Ltd. Identification of posture-related syncope using head-mounted sensors
US10799122B2 (en) 2015-06-14 2020-10-13 Facense Ltd. Utilizing correlations between PPG signals and iPPG signals to improve detection of physiological responses
US11064892B2 (en) 2015-06-14 2021-07-20 Facense Ltd. Detecting a transient ischemic attack using photoplethysmogram signals
US11103139B2 (en) 2015-06-14 2021-08-31 Facense Ltd. Detecting fever from video images and a baseline
US10376163B1 (en) 2015-06-14 2019-08-13 Facense Ltd. Blood pressure from inward-facing head-mounted cameras
US10791938B2 (en) 2015-06-14 2020-10-06 Facense Ltd. Smartglasses for detecting congestive heart failure
US10349887B1 (en) 2015-06-14 2019-07-16 Facense Ltd. Blood pressure measuring smartglasses
US10638938B1 (en) 2015-06-14 2020-05-05 Facense Ltd. Eyeglasses to detect abnormal medical events including stroke and migraine
US11103140B2 (en) 2015-06-14 2021-08-31 Facense Ltd. Monitoring blood sugar level with a comfortable head-mounted device
US11154203B2 (en) 2015-06-14 2021-10-26 Facense Ltd. Detecting fever from images and temperatures
CN107847156A (zh) 2015-06-15 2018-03-27 维塔尔实验室公司 用于心血管疾病评估和管理的方法和系统
US10420515B2 (en) 2015-06-15 2019-09-24 Vital Labs, Inc. Method and system for acquiring data for assessment of cardiovascular disease
US9697599B2 (en) * 2015-06-17 2017-07-04 Xerox Corporation Determining a respiratory pattern from a video of a subject
US9943247B2 (en) 2015-07-28 2018-04-17 The University Of Hawai'i Systems, devices, and methods for detecting false movements for motion correction during a medical imaging scan
DE102015216115B4 (de) 2015-08-24 2023-08-10 Siemens Healthcare Gmbh Verfahren und System zum Bestimmen eines Triggersignals
US11194405B2 (en) * 2015-10-08 2021-12-07 Panasonic Intellectual Property Corporation Of America Method for controlling information display apparatus, and information display apparatus
US10264996B2 (en) * 2015-10-19 2019-04-23 Sayfe Kiaei Method and apparatus for wirelessly monitoring repetitive bodily movements
CN105266787B (zh) * 2015-11-03 2018-07-06 西安中科创星科技孵化器有限公司 一种非接触式心率检测方法及系统
US10610133B2 (en) 2015-11-05 2020-04-07 Google Llc Using active IR sensor to monitor sleep
US10716515B2 (en) 2015-11-23 2020-07-21 Kineticor, Inc. Systems, devices, and methods for tracking and compensating for patient motion during a medical imaging scan
US9426292B1 (en) * 2015-12-29 2016-08-23 International Business Machines Corporation Call center anxiety feedback processor (CAFP) for biomarker based case assignment
US10019883B2 (en) 2016-01-21 2018-07-10 Htc Corporation Method for monitoring breathing activity, electronic device, and computer-readable storage medium using the same
EP3420713B1 (de) * 2016-02-25 2020-05-06 Koninklijke Philips N.V. Vorrichtungen, system und verfahren zur bestimmung einer prioritätsstufe und/oder dauer eines anrufs
US11488714B2 (en) 2016-03-23 2022-11-01 HealthPals, Inc. Machine learning for collaborative medical data metrics
EP3249609B1 (de) * 2016-05-25 2018-09-26 Rational Pixels S.L. Computerimplementiertes verfahren und system zur verarbeitung von video mit zeitlicher beständigkeit
US10335045B2 (en) 2016-06-24 2019-07-02 Universita Degli Studi Di Trento Self-adaptive matrix completion for heart rate estimation from face videos under realistic conditions
US10624587B2 (en) 2016-09-16 2020-04-21 Welch Allyn, Inc. Non-invasive determination of disease states
JP6848393B2 (ja) * 2016-11-25 2021-03-24 コニカミノルタ株式会社 動態画像処理装置
KR101999318B1 (ko) * 2017-02-17 2019-07-12 상명대학교산학협력단 동공 반응을 이용한 심장 주파수 정보의 검출 방법 및 시스템
EP3378386A1 (de) * 2017-03-22 2018-09-26 Koninklijke Philips N.V. Verfahren und vorrichtung zur bestimmung eines gesundheitszustands eines kleinkinds
EP3427640B1 (de) 2017-07-11 2023-05-03 Tata Consultancy Services Limited Serielle fusion von euler- und lagrange-ansätzen zur echtzeit-herzfrequenzschätzung
US10548476B2 (en) 2017-08-17 2020-02-04 Welch Allyn, Inc. Patient monitoring system
EP3449820B1 (de) * 2017-08-30 2023-05-24 Qompium Computerimplementiertes verfahren und system für direkte photoplethysomografie
TW201918219A (zh) * 2017-11-07 2019-05-16 財團法人資訊工業策進會 辨識嬰兒需求的系統及方法
EP3749180A4 (de) 2018-02-08 2021-11-24 Gill R. Tsouri Opportunistische plethysmografie mit videokameras
US20190274547A1 (en) * 2018-03-07 2019-09-12 The Board Of Regents For Oklahoma State University System and method of noncontact vital signs monitoring through light sensing
CN109717858B (zh) * 2018-07-30 2023-04-07 中国计量大学 一种智能手机测量心率变异性(hrv)的方法
US11067448B2 (en) 2018-10-05 2021-07-20 Parsons Corporation Spectral object detection
US10696305B2 (en) 2018-11-15 2020-06-30 XMotors.ai Inc. Apparatus and method for measuring physiological information of living subject in vehicle
EP3671630A1 (de) * 2018-12-19 2020-06-24 Nokia Technologies Oy Bewegungsanzeige
CN111374647A (zh) * 2018-12-29 2020-07-07 中兴通讯股份有限公司 一种检测脉搏波的方法、装置和电子设备
IT201900000133A1 (it) * 2019-01-07 2020-07-07 St Microelectronics Srl "Procedimento di elaborazione di immagini, sistema, veicolo e prodotto informatico corrispondenti"
US11653848B2 (en) 2019-01-29 2023-05-23 Welch Allyn, Inc. Vital sign detection and measurement
TWI693061B (zh) * 2019-05-09 2020-05-11 鉅怡智慧股份有限公司 非接觸式酒駕評判系統及相關方法
JP7293506B2 (ja) 2019-10-01 2023-06-19 リヴァ ヘルス,インコーポレイテッド 心血管パラメータを決定するための方法及びシステム
US20210345897A1 (en) * 2020-05-06 2021-11-11 Elite HRV, Inc. Heart Rate Variability Composite Scoring and Analysis
EP3984449B1 (de) 2020-10-19 2023-09-13 Harman Becker Automotive Systems GmbH System und verfahren zur bestimmung von herzschlagmerkmalen
US11744523B2 (en) 2021-03-05 2023-09-05 Riva Health, Inc. System and method for validating cardiovascular parameter monitors
US20240138692A1 (en) 2021-03-30 2024-05-02 Harman Becker Automotive System Gmbh Method and system for heart rate extraction from rgb images
WO2022250561A1 (en) 2021-05-28 2022-12-01 Harman International Industries, Incorporated Method and system for quality evaluation of a sequence of heart interbeat interval signals
CN117355906A (zh) 2021-05-28 2024-01-05 哈曼国际工业有限公司 用于量化精神状态的系统和方法
US11830624B2 (en) 2021-09-07 2023-11-28 Riva Health, Inc. System and method for determining data quality for cardiovascular parameter determination
KR102482796B1 (ko) * 2021-09-17 2022-12-29 상명대학교산학협력단 원격 광용적맥파 측정을 이용한 비접촉 심박 변이도 분석 장치 및 방법
WO2023214957A1 (en) * 2022-05-02 2023-11-09 Elite HRV, Inc. Machine learning models for estimating physiological biomarkers
KR20230161183A (ko) * 2022-05-18 2023-11-27 주식회사 감성텍 정신건강 판단 장치 및 방법
CN114943732A (zh) * 2022-07-01 2022-08-26 上海商汤临港智能科技有限公司 一种心率检测方法、装置、设备和存储介质

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5860917A (en) * 1997-01-15 1999-01-19 Chiron Corporation Method and apparatus for predicting therapeutic outcomes
US6904408B1 (en) * 2000-10-19 2005-06-07 Mccarthy John Bionet method, system and personalized web content manager responsive to browser viewers' psychological preferences, behavioral responses and physiological stress indicators
US8412315B2 (en) * 2002-03-01 2013-04-02 Christine Ross Analysis of heart rate variability data in animals for health conditions assessment
KR100675555B1 (ko) 2003-07-07 2007-01-29 유선국 맥박 산소포화도 측정 장치 및 방법
JP4767718B2 (ja) * 2006-02-24 2011-09-07 富士フイルム株式会社 画像処理方法および装置ならびにプログラム
EP2003896A1 (de) * 2007-06-12 2008-12-17 Panasonic Corporation Statistische Bildverbesserung
EP2285270B1 (de) * 2008-05-08 2016-04-20 Koninklijke Philips N.V. Verfahren und system zur bestimmung eines physiologischen zustands
US8538200B2 (en) * 2008-11-19 2013-09-17 Nec Laboratories America, Inc. Systems and methods for resolution-invariant image representation
TWI439255B (zh) * 2009-04-28 2014-06-01 私立中原大學 Measurement of arrhythmia
JP5706177B2 (ja) * 2010-02-09 2015-04-22 パナソニック インテレクチュアル プロパティ コーポレーション オブアメリカPanasonic Intellectual Property Corporation of America 超解像処理装置及び超解像処理方法
US20110251493A1 (en) 2010-03-22 2011-10-13 Massachusetts Institute Of Technology Method and system for measurement of physiological parameters
FI20115053A0 (fi) * 2011-01-19 2011-01-19 Delfin Technologies Oy Menetelmä ja järjestelmä kardiovaskulaaristen sykeaaltojen visualisoimiseksi
CA2825331A1 (en) * 2011-01-21 2012-07-26 Worcester Polytechnic Institute Physiological parameter monitoring with a mobile communication device
GB201114406D0 (en) * 2011-08-22 2011-10-05 Isis Innovation Remote monitoring of vital signs
US8755871B2 (en) * 2011-11-30 2014-06-17 Covidien Lp Systems and methods for detecting arrhythmia from a physiological signal
US8838209B2 (en) * 2012-02-21 2014-09-16 Xerox Corporation Deriving arterial pulse transit time from a source video image
US10143377B2 (en) * 2012-05-02 2018-12-04 Augusta University Research Institute, Inc. Single channel imaging measurement of dynamic changes in heart or respiration rate
US20130331669A1 (en) * 2012-06-11 2013-12-12 Raytheon Company Multi-spectral imaging system and method for remote biometric measurement of human physiological parameters
US8792969B2 (en) * 2012-11-19 2014-07-29 Xerox Corporation Respiratory function estimation from a 2D monocular video

Also Published As

Publication number Publication date
US8977347B2 (en) 2015-03-10
US20130345568A1 (en) 2013-12-26

Similar Documents

Publication Publication Date Title
DE102013210713A1 (de) Videobasierte Schätzung der Herzratenvariabilität
US8768438B2 (en) Determining cardiac arrhythmia from a video of a subject being monitored for cardiac function
US9436984B2 (en) Compensating for motion induced artifacts in a physiological signal extracted from a single video
Bousefsaf et al. Remote assessment of the heart rate variability to detect mental stress
EP2956906B1 (de) Analyse von videobildern einer person zur identifizierung von räumlichen bildbereichen mit periodischen intensitätsvariationen
EP2747633B1 (de) Fernüberwachung von vitalzeichen
EP1860999B1 (de) Mobiles diagnosegerät
US9504426B2 (en) Using an adaptive band-pass filter to compensate for motion induced artifacts in a physiological signal extracted from video
DE60212666T2 (de) Gerät zur beobachtung des fötalen herzschlags
US20140376789A1 (en) Compensating for motion induced artifacts in a physiological signal extracted from multiple videos
US9750423B2 (en) Method and display for long term physiological signal quality indication
US20140221845A1 (en) Determining cardiac arrhythmia from a video of a subject being monitored for cardiac function
US20150250391A1 (en) Cardiac pulse rate estimation from source video data
Qiao et al. Measuring heart rate and heart rate variability with smartphone camera
US20140323888A1 (en) Continuous cardiac signal generation from a video of a subject being monitored for cardiac function
DE102013208587A1 (de) Verarbeitung eines videos zur gefässmustererkennung und herzfunktionsanalyse
DE102015210332A1 (de) Erkennen eines fieberkrampfs mit einer wärmebildkamera
DE102016200045A1 (de) Auswählen eines interessierenden Bereichs zum Extrahieren physiologischer Parameter aus einem Video eines Probanden
DE102015208144A1 (de) Erhöhen der Genauigkeit eines physiologischen Signals, Erhalten von einem Video eines Patienten
CN111386068A (zh) 基于摄像机的压力测量系统与方法
DE102019104798A1 (de) Vorrichtung und verfahren zur passiven arrhythmiedetektion auf der basis von photoplethysmogramm (ppg)-intervallen zwischen den schlägen und morphologie
Shoushan et al. Contactless heart rate variability (HRV) estimation using a smartphone during respiratory maneuvers and body movement
EP3773162A1 (de) Verfahren zur analyse von herzrhythmen unter verwendung von schlag-zu-schlag-anzeigeplots
Islam et al. A non-invasive technique of early heart diseases prediction from photoplethysmography signal
Maji et al. Contactless heart rate monitoring using A standard RGB camera

Legal Events

Date Code Title Description
R082 Change of representative

Representative=s name: GRUENECKER PATENT- UND RECHTSANWAELTE PARTG MB, DE

Representative=s name: GRUENECKER, KINKELDEY, STOCKMAIR & SCHWANHAEUS, DE

R012 Request for examination validly filed
R119 Application deemed withdrawn, or ip right lapsed, due to non-payment of renewal fee